本發(fā)明涉及醫(yī)學圖像處理，尤其是涉及一種核磁圖像腦腫瘤檢測方法及系統(tǒng)。

背景技術：

1、精準檢測核磁圖像（mri）因其優(yōu)越的成像特性成為腦部疾病篩查的金標準。與ct等成像技術相比，mri在軟組織成像上具有更高的對比度，能夠清晰顯示腫瘤與正常組織的邊界，使得醫(yī)生能夠準確判斷腫瘤的性質、大小及位置。精準檢測核磁圖像腦腫瘤在提高早期診斷率、優(yōu)化治療方案、推動個性化醫(yī)療及臨床研究等方面具有重要的意義。

2、現(xiàn)有的mri技術雖然在腦腫瘤檢測中具有諸多優(yōu)勢，但仍存在檢測準確率和效率低的問題。

技術實現(xiàn)思路

1、本發(fā)明旨在至少改善現(xiàn)有技術中存在的技術問題之一。為此，本發(fā)明提出了一種核磁圖像腦腫瘤檢測方法及系統(tǒng)。

2、本發(fā)明的技術方案如下：

3、一種核磁圖像腦腫瘤檢測方法，其中，包括：

4、s1，獲取核磁腦腫瘤的初始圖像數(shù)據集，進行標注并劃分為訓練集、驗證集和測試集；

5、s2，構建雙卷積跨階段除法（divc2f）網絡和部分視覺狀態(tài)空間（pvss）網絡，將所述雙卷積跨階段除法（divc2f）網絡作為yolov8模型中的主干網絡，將所述部分視覺狀態(tài)空間（pvss）網絡作為yolov8模型中的sppf之后的特征增強網絡，并對yolov8模型主干網絡進行調整，以輕量化yolov8模型的同時提高性能；所述雙卷積跨階段除法網絡包括逐點卷積、批歸一化、silu激活函數(shù)、relu激活函數(shù)、特征分割、特征拼接、通道注意力層（selayer）處理以及通過特征信號逐點相除的特征交互雙流除法（divopera）網絡；

6、s3，在提高性能的所述yolov8模型中，在頸部結構中將構建的重參數(shù)化動態(tài)可選擇大核卷積（rp-lskm）網絡作為多尺度特征交互網絡，同時利用重參數(shù)化進一步提高yolov8模型的性能，以得到改進后的yolov8模型；

7、s4，使用所述初始圖像數(shù)據集對所述改進后的yolov8模型進行迭代優(yōu)化訓練，得到核磁圖像腦腫瘤檢測模型；

8、s5，將所述初始圖像數(shù)據集輸入所述核磁圖像腦腫瘤檢測模型進行檢測，輸出核磁腦腫瘤檢測結果。

9、在一種可能的技術方案中，進一步地，s2中，所述雙卷積跨階段除法網絡的處理過程包括：

10、輸入特征經過由卷積核為1的逐點卷積、批歸一化和silu激活函數(shù)組成的分離卷積模塊，對輸入特征在通道維度上均分出特征圖a和特征圖b，對特征圖a進行通道注意力層（selayer）處理以得到高價值通道信號特征；

11、構建三卷積模塊，將特征圖b通過雙分支并行進入各自分支中的三卷積模塊，以在整合輸入特征的同時控制核函數(shù)范圍大小和對特征信號進行低維表示并整合；

12、對雙分支中第一分支的特征信號分別經過一個relu激活函數(shù)和一個sigmoid函數(shù)處理，第二分支的特征信號做鏡像操作；

13、第二分支將第一分支經過relu激活函數(shù)處理后的輸出作為被除數(shù)，第二分支經過sigmoid激活函數(shù)處理后的輸出作為除數(shù)，將兩個分支的結果進行相除，以得到第一輸出結果，對雙流除法網絡中第一分支做鏡像操作，以得到第二輸出結果；

14、對所述第一輸出結果和所述第二輸出結果及所述高價值通道信號特征在通道維度上進行拼接以得到輸出通道信號；

15、對所述輸出通道信號進行卷積后輸出。

16、在一種可能的技術方案中，進一步地，s2中，所述對特征圖a進行通道注意力層處理以得到高價值通道信號特征，具體為：

17、接收特征圖a進行全局平均池化處理壓縮整合以得到全局特征；

18、將所述全局特征經過一個加權融合模塊以對所述全局特征的各通道信號交互并進行加權融合，所述加權融合模塊由一個卷積核為1的逐點卷積、一個批歸一化正則化函數(shù)、一個silu激活函數(shù)和一個卷積核為1的逐點卷積組成；

19、對所述加權融合后的通道信號進入hardsigmoid激活函數(shù)以得到高價值通道信號特征權重；

20、根據高價值通道信號特征權重與輸入特征進行相乘以提取高價值通道信號特征。

21、在一種可能的技術方案中，進一步地，所述部分視覺狀態(tài)空間網絡處理過程包括：

22、接收雙卷積跨階段除法網絡處理后的特征，經過一個卷積核為1的卷積層后得到輸出特征，將所述輸出特征經過部分視覺狀態(tài)空間網絡中的殘差網絡塊中以得到融合后的多尺度特征，其中所述殘差網絡塊包括曼巴（mamba）層和多層感知機層；

23、將所述多尺度特征與所述輸出特征進行拼接，再通過一個卷積核為1的卷積層后以輸出增強后的輸出特征。

24、在一種可能的技術方案中，進一步地，s3中，所述重參數(shù)化動態(tài)可選擇大核卷積的處理過程包括：

25、接收s2中輸出的特征圖至圖像塊嵌入模塊（patchembed）以得到擴展通道數(shù)之后的信號特征，具體地，在圖像塊嵌入模塊中，通過一個逐點卷積層和一個深度卷積層將輸入特征圖通道數(shù)擴展至隱藏層通道數(shù)并整合以得到擴展通道數(shù)之后的信號特征；

26、將所述擴展通道數(shù)之后的信號特征經過n個串聯(lián)的隨機投影局部語義核模塊（rp-lskblock），其中rp-lskblock包含一個基于感受野金字塔的大選擇性核的網絡層（rp-lsknet層）和一個深度可分離多層感知機層（dwmlp層），用于增強模型的特征表達能力。

27、在一種可能的技術方案中，進一步地，將所述擴展通道數(shù)之后的信號特征進入rp-lsknet層的過程，包括：

28、將所述擴展通道數(shù)之后的信號特征串聯(lián)經過一個卷積核為1的逐點卷積和一個gelu激活函數(shù)以進行非線性化整合；

29、將所述非線性化整合后的信號特征經過一個由n個并聯(lián)的卷積核為5構成的深度卷積以輸出特征圖c；

30、將所述特征圖c經過一個由n個并聯(lián)的卷積核為7，膨脹率為3構成的膨脹卷積以輸出特征圖d，用于動態(tài)擴大卷積的感受野；

31、將所述特征圖c和所述特征圖d經過一個逐點卷積進行壓縮，以得到壓縮后的特征圖c和壓縮后的特征圖d，其中壓縮通道數(shù)為輸入的一半；

32、將壓縮后的所述特征圖c和所述特征圖d進行第一次拼接以得到第一次拼接后的特征圖；

33、將所述第一次拼接后的特征圖并行經過一個平均池化層和一個最大池化層輸出各自的池化結果，根據各自的池化結果進行第二次concat（拼接）以得到第二次拼接后的特征圖，其中平均池化和最大池化均是在通道維度上進行的；

34、將所述第二次拼接后的特征圖經過一個卷積核為7的深度卷積和一個sigmoid激活函數(shù)后以生成熱力圖，

35、根據所述熱力圖按通道維度上進行均分，每部分分別與壓縮后的特征圖c和特征圖d相乘并將相乘之后的結果進行相加以完成不同粒度信息下關于同一空間位置下的不同感受野的信號整合；

36、將不同感受野的信號整合后的熱力圖經過卷積核為1的逐點卷積進行信號融合，根據融合結果與所述擴展通道數(shù)之后的信號特征進行相乘以完成高價值區(qū)域的篩選。

37、根據本發(fā)明的核磁圖像腦腫瘤檢測方法，通過改進yolov8n模型中c2f結構塊，提出雙卷積跨階段除法思路，旨在提升潛在高維特征信息的建模能力，提高對高價值通道語義信息的關注度并在后續(xù)除法塊中針對高價值通道語義信息做進一步提取，并且為避免除法出現(xiàn)nan，兩個除數(shù)分支首先進行sigmoid函數(shù)處理以避免除數(shù)為0的情況出現(xiàn)；通過重參數(shù)化動態(tài)可選擇大核卷積網絡的重參數(shù)化技術改進大核動態(tài)可選擇性卷積結構塊中的大核卷積以提高信息提取能力；通過pvss模塊以較低的計算成本加強了模型狀態(tài)空間建模和模型全局表征學習能力，并且使用的線性自注意力機制避免了自注意力的二次計算復雜度帶來的過多開銷。由此，本技術提出的改進的yolov8n模型不僅能夠在通道維度上進行不同尺度的上下文建模而且還能在全局空間表征上進行上下文建模，基于改進yolov8n模型的核磁圖像腦腫瘤檢測模型能夠提高對腦腫瘤檢測的準確率和效率。

38、一種核磁圖像腦腫瘤檢測系統(tǒng)，其中，用于實現(xiàn)如上述的檢測方法，包括：

39、獲取模塊，用于獲取核磁腦腫瘤的初始圖像數(shù)據集，進行標注并劃分為訓練集、驗證集和測試集；

40、第一構建模塊，用于構建雙卷積跨階段除法（divc2f）網絡和部分視覺狀態(tài)空間（pvss）網絡，將所述雙卷積跨階段除法（divc2f）網絡作為yolov8模型中的主干網絡，將所述部分視覺狀態(tài)空間（pvss）網絡作為yolov8模型中的sppf之后的特征增強網絡，并對yolov8模型主干網絡進行調整，以輕量化yolov8模型的同時提高性能；所述雙卷積跨階段除法網絡包括逐點卷積、批歸一化、silu激活函數(shù)、relu激活函數(shù)、特征分割、特征拼接、通道注意力層（selayer）處理以及通過特征信號逐點相除的特征交互雙流除法（divopera）網絡；

41、第二構建模塊，用于在提高性能的所述yolov8模型中，在頸部結構中將構建的重參數(shù)化動態(tài)可選擇大核卷積（rp-lskm）網絡作為多尺度特征交互網絡，同時利用重參數(shù)化進一步提高yolov8模型的性能，以得到改進后的yolov8模型；

42、訓練模塊，用于根據所述初始圖像數(shù)據集對所述改進后的yolov8模型進行迭代優(yōu)化訓練，得到核磁圖像腦腫瘤檢測模型；

43、輸出模塊，用于將所述初始圖像數(shù)據集輸入所述核磁圖像腦腫瘤檢測模型進行檢測，輸出核磁腦腫瘤檢測結果。

44、一種計算機設備，其中，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如上述的核磁圖像腦腫瘤檢測方法。

45、一種計算機存儲介質，其中，所述計算機存儲介質中存儲有指令，所述指令在計算機上執(zhí)行時，使得所述計算機執(zhí)行如上述的核磁圖像腦腫瘤檢測方法。

46、本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。